Este trabajo implementa la simulación cuántica del modelo de Jaynes-Cummings y del modelo de Rabi en la plataforma Qiskit de IBM, utilizando los mapeos de Holstein-Primakoff y binario. Mientras que la simulación del modelo de Jaynes-Cummings reproduce con precisión las oscilaciones de Rabi, la del modelo de Rabi presenta errores debido a la no conmutatividad de sus términos hamiltonianos. Se emplean la aproximación de Trotter-Suzuki y la expansión de Zassenhaus para mejorar la precisión, pero esta última introduce ruido en la simulación. Los resultados evidencian las limitaciones actuales en la implementación de modelos cuánticos de interacción luz-materia en hardware cuántico y sugieren la necesidad de métodos más avanzados.
Este trabajo implementa la simulación cuántica del modelo de Jaynes-Cummings y del modelo de Rabi en la plataforma Qiskit de IBM, utilizando los mapeos de Holstein-Primakoff y binario. Mientras que la simulación del modelo de Jaynes-Cummings reproduce con precisión las oscilaciones de Rabi, la del modelo de Rabi presenta errores debido a la no conmutatividad de sus términos hamiltonianos. Se emplean la aproximación de Trotter-Suzuki y la expansión de Zassenhaus para mejorar la precisión, pero esta última introduce ruido en la simulación. Los resultados evidencian las limitaciones actuales en la implementación de modelos cuánticos de interacción luz-materia en hardware cuántico y sugieren la necesidad de métodos más avanzados.
Este trabajo estudia la simulación cuántica digital de modelos fundamentales de la óptica cuántica, en particular los modelos de Jaynes–Cummings y de Rabi cuántico, desde una perspectiva teórico–computacional, con el objetivo de desarrollar esquemas de codificación en registros de qubits de tamaño arbitrario y analizar cómo el número de qubits y la estructura de los circuitos cuánticos condicionan la representación del sistema y su dinámica. Para ello, se aborda la discretización del espacio de Hilbert bosónico y la codificación de los operadores de creación y aniquilación en Hamiltonianos de interacción radiación–materia, considerando un escenario idealizado sin efectos de ruido. Las simulaciones numéricas clásicas realizadas con QuTiP se emplean como referencia, mientras que PennyLane se utiliza para la construcción y simulación de circuitos cuánticos. Se analizan distintos estados iniciales del campo y se evalúa de manera sistemática la dependencia del error de simulación y del costo computacional con el número de qubits y la profundidad de los circuitos.
Durante esta investigación se llevó a cabo una revisión exhaustiva de los conceptos completamente cuánticos del modelo más paradigmático de la interacción luz-átomo: el modelo de Jaynes Cummings, considerado como uno de los candidatos principales para examinar los tipos de interacciones átomo-campo resonantes y no resonantes, que permiten conducir a las propiedades básicas del entrelazamiento cuántico. Presentamos un protocolo que nos permitirá estudiar una nueva configuración del modelo de Jaynes Cummings (JCM) en un sistema de cavidades cruzadas en el régimen dispersivo o de grandes desintonías. Exploramos la posibilidad de construir interacciones de conversión paramétrica ascendente y descendente, descubriendo que en un sistema de cavidades cruzadas no es posible la generación de procesos de conversión paramétrica descendente. La interacción lograda que permite procesos paramétricos ascendente, es empleada para producir estados entrelazados. Nuestra interacción efectiva es respaldada mediante simulación numérica con la herramienta de cálculo Qutip. En particular ilustramos como implementar las condiciones para la preparación de estados entrelazados.
La siguiente monografía de compilación se centró especialmente en revisar y explicar los fundamentos teóricos asociados a la descripción de la interacción entre la radiación y la materia en los distintos regímenes de acoplamiento donde el modelo cuántico de Rabi es relevante. Se consideraron las interacciones átomo– campo para los casos semiclásico y cuántico. Seguidamente se estudió la solución del Hamiltoniano de Rabi ˆHR, omitiendo el uso de teorías perturbativas y se remarcaron las diferencias entre algunos fenómenos distintos a los observados bajo correcciones perturbativas. Posteriormente se describió el ˆ HR, esta vez, realizando un tratamiento completa mente mecánico-cuántico, dando lugar a uno de los modelos más conocidos y en el campo de la óptica cuántica, siendo éste el llamado Modelo de Jaynes-Cummings (JCM), el cual es obtenido cuando se desprecian algunos de los términos del Hamiltoniano de Rabi, este método es conocido como la aproximación de onda rotante, (RWA). Este último modelo dio lugar a la comprensión del porqué de la importancia del QRM en su forma completamente cuántica dentro de las últimas investigaciones y experimentos realizados, especialmente en los regímenes de acoplamiento Ultra fuerte (USC) y Fuerte-profundo (DSC) en donde la RWA se rompe. Seguidamente, se realizó una clasificación cualitativa de los regímenes de acoplamiento más relevantes para nuestro interés. Además, se dieron a conocer las observaciones de los nuevos fenómenos físicos emergentes y sus aplicaciones en nuevas plataformas experimentales. Finalmente, se dedicó un espacio a algunas de las generalizaciones o extensiones del QRM y sus características más importantes.
La computación cuántica tiene una base teórica de más de tres décadas que muestra aceleraciones polinómicas y exponenciales sobre los algoritmos clásicos. Los procesadores que se construyen hoy, sin embargo, son ruidosos, pequeños y de conectividad limitada, aún lejos de aprovechar esa ventaja en problemas de escala real. Este trabajo es un estudio experimental que mide qué tan profunda es esa brecha para cuatro algoritmos cuánticos fundamentales: Bernstein–Vazirani, Simon, Grover sobre instancias de k-SAT y la estimación cuántica de fase. Para cada algoritmo se construyó una contraparte clásica de referencia y se evaluaron, por cada tamaño de entrada, todas las combinaciones posibles de tres modelos de ruido (error de lectura, despolarizante y relajación térmica) con tres topologías de hardware (ideal, lineal de 20 qubits y heavy-hex de 127 qubits, esta última inspirada en el chip ibm_brisbane). El estudio se hizo enteramente en simulación porque permite controlar de forma independiente cada parámetro del ruido y de la conectividad, condición necesaria para hacer comparaciones limpias entre escenarios. Cada uno de los 39 escenarios resultantes por tamaño se repitió 25 veces y los resultados se reportan con intervalo de confianza al 95 % calculado con la t de Student. Toda la infraestructura (algoritmos, generador de instancias, modelos de ruido, scripts de análisis e interfaz gráfica para exploración interactiva) queda reproducible y abierta. Los hallazgos principales son tres. Primero, la ventaja teórica sobrevive en los algoritmos de poca profundidad como Bernstein–Vazirani, mientras que en Grover y en la estimación de fase el ruido deteriora rápidamente el speedup a medida que crece el número de iteraciones. Segundo, el tipo de ruido importa tanto como su nivel: el error de lectura es el menos agresivo porque no se acumula con la profundidad del circuito, mientras que el despolarizante es el más severo. Tercero, la topología influye de forma indirecta pero significativa porque condiciona la cantidad de compuertas SWAP que el compilador debe insertar y, por esa vía, aumenta la profundidad efectiva del circuito. El framework, los datos y los análisis quedan disponibles para quien quiera prototipar pruebas de algoritmos cuánticos en la era NISQ sin depender de tiempo en hardware real.
Este proyecto tiene como objetivo explorar el potencial de los algoritmos cuánticos en la simulación de redes neuronales biológicas. Aprovechando la computación cuántica en la nube proporcionada por IBM Quantum, se integran técnicas avanzadas de inteligencia artificial (IA) para optimizar y mejorar los modelos neuronales. Se utilizan datos detallados de conectividad y expresión génica obtenidos del Allen Brain Atlas, procesados y limpiados para facilitar su uso en simulaciones cuánticas. Los resultados demuestran la capacidad de los algoritmos cuánticos para manejar la complejidad de las redes neuronales biológicas, proporcionando una herramienta poderosa para la investigación en neurociencia y biología. La computación cuántica ofrece ventajas significativas en términos de eficiencia y escalabilidad para la simulación de sistemas biológicos complejos. Este trabajo detalla los pasos realizados, los resultados obtenidos y las conclusiones derivadas del proceso, destacando el papel crucial de la IA en la optimización de los parámetros del circuito cuántico y en el análisis de los resultados de las simulaciones
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.